RechercheInteresting Engineering 1 septembre 2026

Une nouvelle main robotique souple soulève des bouteilles d'eau tout en manipulant délicatement des œufs fragiles

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de l'Institut coréen des sciences et technologies (KAIST), en collaboration avec le KIST et SEOULTECH, ont mis au point une main robotique souple imprimée en 3D capable de tenir un œuf cru sans le briser tout en soulevant une bouteille d'eau pleine d'un litre sans la faire glisser. La clé de cette prouesse tient dans un matériau optimisé par intelligence artificielle : un modèle a été entraîné sur un jeu de données de formulations chimiques, y compris des échecs à haute viscosité, pour cartographier l'influence de micro-ajustements chimiques sur la fluidité et la vitesse de photopolymérisation. Le résultat est une résine qui s'imprime facilement en couches fines via une imprimante DLP (Digital Light Processing) tout en durcissant en un matériau capable de s'étirer à plus de six fois sa longueur initiale sans se déchirer. L'équipe a validé le procédé en imprimant des actionneurs pneumatiques souples, des structures creuses qui se courbent comme un doigt humain lorsqu'elles sont gonflées à l'air, puis assemblés en une main complète testée sur des souris d'ordinateur, des boîtes d'œufs, des bouteilles en verre glissantes et des œufs fragiles. Les résultats ont été publiés dans la revue Nature Communications.

L'intérêt technique dépasse la simple démonstration de préhension délicate, un défi que la robotique rigide peine toujours à résoudre malgré les progrès des bras industriels et des humanoïdes. Le vrai verrou levé ici est un problème d'ingénierie des matériaux propre à l'impression 3D DLP : les chaînes polymères nécessaires à l'élasticité et la durabilité épaississent la résine liquide au point d'empêcher un dépôt fluide en couches fines, tandis que diluer la résine pour faciliter l'impression rend le matériau final cassant. En confiant à un algorithme d'apprentissage automatique la recherche du compromis optimal plutôt qu'à des années d'essais-erreurs manuels, l'équipe ouvre une voie de conception accélérée pour les matériaux imprimables sur mesure, un enjeu qui dépasse la robotique et concerne aussi les dispositifs médicaux personnalisés et les capteurs portables. Pour les intégrateurs et concepteurs de préhenseurs, cela suggère une réduction potentielle du temps de développement de nouveaux actionneurs souples adaptatifs, sans toutefois qu'aucun chiffre de temps de cycle industriel, de coût ou de calendrier de commercialisation n'ait été communiqué à ce stade : il s'agit d'une preuve de concept académique, pas d'un produit prêt à déployer.

Cette avancée s'inscrit dans le champ de la robotique souple (soft robotics), un axe de recherche qui cherche depuis des années à contourner les limites de la préhension rigide en s'inspirant de la compliance des tissus biologiques, mais qui butait sur les contraintes de fabrication des matériaux élastiques compatibles avec l'impression 3D de précision. Le professeur Seungchul Lee, qui a dirigé les travaux, présente cette méthode comme généralisable à d'autres familles de matériaux et de procédés de fabrication additive, avec des applications visées dans les implants médicaux sur mesure, les capteurs portables résistants à la déchirure pour les articulations, et les outils robotiques destinés à travailler en sécurité aux côtés d'humains. Aucun partenaire industriel, pilote de déploiement ou calendrier de commercialisation n'est mentionné à ce stade : la publication dans Nature Communications marque une étape de recherche fondamentale, dont la prochaine étape logique serait un transfert vers des fabricants de préhenseurs ou d'actionneurs souples.

À lire aussi

1Robohub

Douceur avant tout : une pince robotique souple cueille les fruits mûrs sans les meurtrir

Des chercheurs du laboratoire Organic Robotics Lab de Cornell University, dirigé par Rob Shepherd, professeur de mécanique au Duffield College of Engineering, ont développé un préhenseur robotique souple capable de prédire la maturité de fruits au toucher et de les cueillir sans les endommager. Le système repose sur des capteurs fibre optique étirables intégrés dans les doigts du gripper : un capteur mesure la courbure du doigt lors de la saisie, un second mesure la pression à l'extrémité. Ensemble, ils permettent au robot d'estimer la forme de l'objet et d'ajuster sa prise en temps réel. Un mécanisme d'engrenage planétaire dans le poignet permet de faire pivoter le fruit pour le détacher en torsion, plutôt que de l'arracher, ce qui préserve la tige et le fruit. Une caméra embarquée dans la paume complète le dispositif pour détecter les fruits masqués par le feuillage. Les tests ont été réalisés sur des fraises, en partenariat avec Marvin Pritts, professeur d'horticulture au College of Agriculture and Life Sciences, spécialiste des méthodes de production durables pour les baies. Le modèle a été entraîné à corréler la rigidité mesurée par les capteurs avec le stade de maturité, puis validé par analyse colorimétrique visuelle. L'intérêt industriel de cette approche dépasse la fraise. Shepherd cite notamment l'avocat, l'ananas et le pawpaw, fruits dont la maturité est indétectable à l'oeil nu et qui résistent mal au transport ou à la mécanisation classique. Pour les intégrateurs en agri-tech, la combinaison sensorimotrice de ce gripper ouvre une voie concrète vers la récolte automatisée de fruits fragiles à haute valeur ajoutée, un segment aujourd'hui encore très dépendant de la main d'oeuvre humaine. La propriété clé du système est que les jauges de contrainte optiques partagent les mêmes propriétés mécaniques que la structure du doigt souple, ce qui élimine la discontinuité mécanique typique des capteurs rigides greffés sur des actionneurs mous. C'est un point de conception non trivial : les capteurs ne perturbent pas le comportement du préhenseur, ils en font partie intégrante. Le laboratoire Organic Robotics Lab travaille depuis plusieurs années sur l'extension des capteurs fibre optique étirables aux systèmes robotiques souples, après en avoir démontré le potentiel pour la proprioception et la perception tactile dynamique. La collaboration avec le département d'agriculture de Cornell marque une inflexion appliquée dans des travaux jusqu'ici majoritairement fondamentaux. Sur le plan concurrentiel, plusieurs acteurs se positionnent dans la récolte robotisée douce : Abundant Robotics (racheté), Tortuga AgTech, ou encore le projet Agrobot en Europe, mais la plupart s'appuient sur vision seule ou sur des capteurs de force rigides. L'originalité de Cornell réside dans l'intégration sensorielle mécano-optique dans la structure même du préhenseur. Le dispositif est au stade de prototype de recherche, aucun calendrier de commercialisation ni partenariat industriel n'a été annoncé à ce jour.

RecherchePaper

1 source

2arXiv cs.RO

MoMo : composer le mode de mouvement en manipulation robotique via une tokenisation spatio-temporelle de l'action

Une équipe de recherche présente MoMo, un framework d'apprentissage par imitation en deux étapes qui permet de faire varier non plus seulement la précision d'un geste robotique, mais sa manière d'être exécuté. Le système combine un tokeniseur d'actions spatio-temporel et un transformeur de clonage comportemental, qui reçoit en entrée à la fois la tâche à accomplir et une condition continue de « mode de mouvement ». Testé sur six tâches de manipulation avec un robot réel, ce paramètre permet de produire des comportements qualifiés de posés, dynamiques ou intermédiaires, que des évaluateurs humains parviennent à distinguer de façon fiable. Les différences se mesurent concrètement dans la vitesse et l'accélération des articulations, ainsi que dans l'angle d'approche de l'effecteur terminal. Fait notable, lorsqu'une tâche n'a été démontrée que dans un seul mode d'exécution, MoMo parvient à transférer un mode demandé mais jamais vu pour cette tâche précise, tout en conservant l'essentiel du taux de réussite. Le papier est publié sur arXiv (2607.26315v1). Cette capacité de généralisation compositionnelle, à savoir combiner une tâche connue avec un style d'exécution inédit, touche un point sensible du déploiement industriel des robots manipulateurs: jusqu'ici, les modèles vision-langage-action (VLA) de type Pi-0, GR00T N2 ou Helix se concentrent surtout sur le « quoi faire », rarement sur le « comment le faire ». Or pour un intégrateur, la manière d'exécuter un geste compte autant que sa réussite: un préhenseur qui va vite sur une pièce robuste mais qui doit ralentir sur un composant fragile, ou une cadence différente selon la proximité d'un opérateur humain. Que ce réglage de style soit réutilisable d'une tâche à l'autre, sans réentraîner un modèle dédié par comportement, laisse entrevoir une réduction du coût de personnalisation des compétences robotiques en usine. Ce travail s'inscrit dans la lignée des recherches en clonage comportemental et en apprentissage par imitation, qui cherchent depuis plusieurs années à dépasser la simple reproduction de trajectoires démontrées pour capturer des facteurs de comportement transférables. Il reste, à ce stade, une preuve de concept académique limitée à six tâches et un seul bras robotique en laboratoire, sans indication de partenariat industriel ni de calendrier de déploiement. La suite logique serait une validation sur davantage de plateformes et de familles de tâches, pour vérifier si ce contrôle du style de mouvement tient à l'échelle des modèles VLA généralistes actuellement commercialisés.

RecherchePaper

1 source

3Interesting Engineering

Nouvelle main robotique soulève 25 kilos tout en manipulant des objets fragiles avec une dextérité proche de l'humain

La startup suisse Mimic Robotics a dévoilé la Mimic Hand M1, une main robotique dexterous destinée à l'automatisation industrielle. Conçue et fabriquée en Suisse, elle repose sur une architecture à câbles tendineux (tendon-driven) inspirée de l'anatomie humaine : les actionneurs sont logés dans l'avant-bras plutôt que dans la paume ou les doigts, et entraînent les phalanges via des tendons passant sur des roulements et poulies plutôt que dans des gaines de guidage sujettes au frottement. La main compte 15 degrés de liberté actifs répartis sur 21 articulations, avec abduction des doigts et pouce opposable. Pour un poids d'environ 1,8 kg, elle peut maintenir une prise cylindrique stable sur des charges dépassant 25 kg, tout en détectant, selon Mimic Robotics, des forces aussi faibles que 0,1 newton (soit l'équivalent d'un objet d'environ 50 grammes) via le seul courant moteur. Des capteurs tactiles aux extrémités des doigts mesurent en complément la force normale, la force de cisaillement tangentielle et la localisation précise du contact. Ces chiffres proviennent des communications de l'entreprise et n'ont pas fait l'objet de validation indépendante à ce stade. Cette annonce s'inscrit dans un débat plus large sur la meilleure architecture de préhension pour les robots humanoïdes et l'automatisation industrielle. Plutôt que les pinces à deux doigts classiques, largement répandues mais limitées en polyvalence, Mimic mise sur une main à morphologie humaine pour faciliter le transfert de compétences apprises par démonstration humaine vers un système robotique, un enjeu central pour l'IA physique (Physical AI). L'entreprise présente la M1 non comme un simple effecteur terminal mais comme une plateforme sensorielle conçue pour rester identique entre la phase de collecte de données, l'entraînement des modèles d'IA et le déploiement final, dans le but de réduire ce qu'elle appelle le « fossé d'incarnation » (cross-embodiment gap), soit la perte de performance quand un modèle entraîné sur des mouvements humains doit s'adapter à une pince mécaniquement différente. Si cette approche tient ses promesses en conditions réelles d'usine, elle pourrait peser dans l'arbitrage entre pinces spécialisées et mains anthropomorphes pour les intégrateurs industriels. La M1 s'inscrit dans une plateforme robotique plus large développée par Mimic, incluant un gant portable destiné à la collecte de données de démonstration humaine, utilisé pour entraîner les modèles avant déploiement sur la main robotique. L'annonce intervient peu après que la firme norvégienne 1X a présenté ses propres mains à câbles tendineux à 25 degrés de liberté pour son robot NEO, avec des objectifs similaires de précision, de robustesse et de sécurité. La course à la main robotique dexterous s'accélère ainsi chez plusieurs acteurs du secteur humanoïde, chacun cherchant à résoudre le même problème : donner aux robots une préhension suffisamment fine et polyvalente pour remplacer, à terme, la main humaine sur les lignes de production.

UEDeveloppee par une startup suisse, cette main robotique pourrait influencer les choix technologiques des intégrateurs robotiques industriels européens, sans impact direct sur une entreprise ou une réglementation française a ce stade.

IA physiqueActu

1 source

4arXiv cs.RO

GE-Sim 2.0 : une feuille de route vers des simulateurs vidéo en boucle fermée pour la manipulation robotique

Une équipe de recherche a publié sur arXiv (arXiv:2605.27491) GE-Sim 2.0, un simulateur vidéo en boucle fermée conçu pour l'entraînement et l'évaluation de politiques de manipulation robotique. Le système, Genie Envisioner World Simulator 2.0, prolonge l'architecture de génération vidéo conditionnée par l'action de son prédécesseur et a été ré-entraîné sur des milliers d'heures de données robotiques réelles couvrant la télé-opération, les interactions contact-rich et le déploiement de politiques embarquées. Trois nouveaux modules ferment la boucle simulation-apprentissage : un "state expert" qui décode l'état proprioceptif depuis les latents vidéo pour alimenter les politiques VLA (Vision-Language-Action) en prédiction de trajectoire ; un "world judge" qui évalue automatiquement les rollouts générés face aux instructions de tâche, produisant des signaux de réussite vérifiables sans inspection manuelle ; et un framework d'accélération capable de générer un rollout de 25 frames en 2,3 secondes sur un seul GPU H100, avec jusqu'à 4x de frame skipping à l'inférence pour les scénarios longue-portée. Avec seulement 2 milliards de paramètres, le modèle domine le classement public WorldArena, devançant à la fois des world models robotiques dédiés et des générateurs vidéo généralistes en source fermée. L'enjeu central est le sim-to-real gap, la difficulté chronique à transférer des politiques entraînées en simulation vers des robots réels. GE-Sim 2.0 tente d'y répondre sur deux fronts : en générant des données synthétiques crédibles sur lesquelles entraîner des politiques VLA, avec des gains mesurables en conditions réelles selon les auteurs, et en automatisant l'évaluation des rollouts via le world judge, un goulot d'étranglement qui nécessitait jusqu'ici infrastructure physique ou inspection humaine. Pour les équipes travaillant à l'échelle sur des politiques de manipulation, l'équation coût-délai d'itération pourrait évoluer sensiblement. La performance au benchmark WorldArena avec 2B paramètres seulement suggère une efficacité paramétrique notable, même si les benchmarks de simulation ne garantissent pas directement des performances terrain. GE-Sim 2.0 s'inscrit dans la continuité directe de Genie Envisioner, framework de génération vidéo conditionné par l'action publié par la même équipe. Le marché des world models pour la robotique s'est densifié rapidement, avec notamment UniSim et des travaux issus de Google DeepMind, IRASim, ainsi que les simulateurs développés par Physical Intelligence autour de pi_zero. Dans l'espace VLA, Lerobot (Hugging Face) et plusieurs groupes académiques de MIT et Stanford investissent des directions parallèles. Ce résultat reste une pré-publication arXiv sans révision par les pairs ; les "gains mesurables en conditions réelles" annoncés ne sont pas quantifiés précisément dans l'abstract, ce qui limite l'interprétation des performances de transfert. La prochaine étape logique serait une validation externe sur des benchmarks physiques standardisés.

RechercheOpinion

1 source